AI avslører skjulte langsomme sklihendelser på San Andreas-forkastningen

Da den ble brukt på Parkfield-regionen, oppnådde DeepStrain et bemerkelsesverdig resultat: den oppdaget 90 % av tidligere manuelt katalogiserte SSEer og, enda viktigere, identifiserte 21 nye SSEer som hadde blitt oversett i manuell analyse . Denne omtrent 30 % økningen i den kjente hendelseskatalogen gir et langt mer fullstendig bilde av forkastningsadferden i dette intensivt studerte segmentet av San Andreas.

Den tidsmessige koblingen til lavfrekvente jordskjelv

Kanskje det mest betydningsfulle funnet kom da teamet analyserte tidspunktet for de nylig oppdagede SSEene i forhold til LFEr (lavfrekvente jordskjelv). Dataene viste at langsomme sklihendelser ofte ble etterfulgt av lavfrekvente jordskjelv . Denne tidsmessige sekvensen antyder sterkt en årsakssammenheng: den aseismiske langsomme glidningen laster opp eller utløser den seismogene flekken som senere genererer LFEen.

Dette resultatet er i tråd med tidligere arbeid som viser at skjelving og LFE-aktivitet nær Parkfield deler samme moment-varighets-skala som langsomme sklihendelser, noe som innebærer at de er fysisk koblet . Lavfrekvente jordskjelv har lenge blitt tolket som seismiske indikatorer på omkringliggende aseismisk glidning , men DeepStrain gir de tydeligste geodetiske bevisene så langt på at individuelle langsomme hendelser går forut for og sannsynligvis utløser disse små jordskjelvene.

Konsekvenser for forkastningsovervåking og kunstig intelligens i geofysikk

Utvidet deteksjonskapasitet

DeepStrain viser at kunstig intelligens kan hente ut geodetiske signaler under deteksjonsterskelen til både GPS-nettverk og manuell tøyningsmåleranalyse. Denne utvidede katalogen over SSEer muliggjør mer robuste statistiske studier av forkastningsadferd, gjentakelsesintervaller og forholdene som fører til større jordskjelv .

En årsakssammenheng mellom aseismisk og seismisk glidning

Observasjonen av at SSEer systematisk går forut for LFEr støtter modeller der langsom glidning laster opp nærliggende forkastningsflekker, noe som potensielt bringer dem nærmere brudd. Dette har direkte relevans for å forstå jordskjelvnukleering og gjentakelse på San Andreas-forkastningen – en kritisk region for seismisk risikovurdering .

Potensial for sanntidsovervåking

Fordi DeepStrain kan brukes på kontinuerlige borehullstøyningsmålerdata, tilbyr det et verktøy for sanntidsdeteksjon av forbigående deformasjon som kan gå forut for større jordskjelv. NOTA-nettverket har allerede den nødvendige tøyningsmålerinfrastrukturen og gjør både data og prosesseringsverktøy tilgjengelig for forskningsmiljøet . Dette kan forandre hvordan jordskjelvvarslingssystemer integrerer geodetiske data.

Presedens for AI i geofysikk

Dette arbeidet slutter seg til en voksende mengde bevis på at dyplæring systematisk kan hente ut geofysiske signaler som er usynlige for tradisjonelle metoder. Lignende tilnærminger – som CNN-er for skjelvingsdeteksjon i Cascadia og dyplæring for LFE-identifikasjon på San Andreas – har vist at kunstig intelligens kan fungere som en «kraftmultiplikator» for eksisterende overvåkingsnettverk . DeepStrain beviser at samme prinsipp gjelder for borehullstøyningsmålerdata, en sentral sensortype for å oppdage forbigående glidning i forkastningers dype røtter.

Forbehold og åpne spørsmål

Den nøyaktige arkitekturen til DeepStrain (om den bruker et konvolusjonelt, rekursivt eller transformatorbasert design) er ikke beskrevet i offentlig tilgjengelige sammendrag. De fullstendige metodologiske detaljene finnes i Nature Communications-artikkelen (doi: 10.1038/s41467-026-74095-9) . I tillegg er algoritmen så langt bare validert på Parkfield-segmentet; ytelsen på andre forkastningssoner med forskjellige tøyningsmålerkonfigurasjoner og støykarakteristikker gjenstår å teste.